Computergrafik 2: Übung 8. Corner-Detektoren, Bildsegmentierung

Transkript

1 Computergrafik 2: Übung 8 Corner-Detektoren, Bildsegmentierung

2 Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2

3 Besprechung Übung 7 Anmerkungen? Computergrafik 2 SS2012 3

4 Quiz Was ist Non-Maximum Suppression und wofür braucht man das? Simple Corner Detektor: auf welchem Prinzip beruht er? Shading? Wie kann man Shading-Probleme beheben? Was macht der Algorithmus von Otsu? Segmentierung? Eigenschaften? Arten? Computergrafik 2 SS2012 4

5 Erkennung von Ecken Viele Bilderkennungsalgorithmen benötigen Merkmale, die eine stabile Position in (x,y) haben Kanten sind nur in einer Richtung lokalisiert à Ecken in zwei? Gewünschte Eigenschaften von Merkmalen (in verschiedenen Bildern vom gleichem Objekt / der gleichen Szene) Genaue Lokalisierbarkeit Invarianz gegenüber Rotation, Skalierung, Helligkeitsänderung Robust gegenüber Rauschen Slide and illustration adapted from Bernd Girod, Digital Image Processing Computergrafik 2 SS2012 5

6 Verteilung der Gradienten Computergrafik 2 SS2012 6

7 Verteilung der Gradienten Computergrafik 2 SS2012 7

8 Verteilung der Gradienten in realem Bild Computergrafik 2 SS2012 8

9 Verteilung der Gradienten in Bild Computergrafik 2 SS2012 9

10 Gewichtete Kovarianzmatrix Maß für die Stärke der Ecken Computergrafik 2 SS

11 Harris Corner-Detektor: Ergebnis Computergrafik 2 SS

12 Klassifikation mittels Eigenvektoren Computergrafik 2 SS

13 Harris Corner Detektor: Parameter k k = 0.20 k = 0.05 λ 2 λ 2 λ 1 λ 1 C = det(m) k trace(m) 2 = λ 1 λ 2 k (λ 1 + λ 2 ) Computergrafik 2 SS

14 Harris Corner Detektor: Parameter k k = 0.23 k = 0.00 λ 2 λ 2 λ 1 λ 1 C = det(m) k trace(m) 2 = λ 1 λ 2 k (λ 1 + λ 2 ) à Sensitivity Parameter Computergrafik 2 SS

15 Harris Corner-Detektor: Algorithmus 1. Ableitungen f x und f y berechnen 2. Elementweise Produkte der Ableitungen berechnen: 3. Konvolution von f x2, f y2, f xy mit 4. Für jedes Pixel (x,y) definiere: Computergrafik 2 SS

16 Harris Corner-Detektor: Algorithmus 5. Maß der Eckenstärke berechnen 6. Non-Maximum Suppression (R=2) anwenden Computergrafik 2 SS

17 Repeatability Invarianz gegenüber Rotation Translation Skalierung [Perspektive] [Beleuchtingsverhältnisse] Computergrafik 2 SS

18 Algorithmus von Otsu Normalisiertes Histogramm p i Varianz innerhalb der Klasse minimieren = Varianz zwischen den Klassen maximieren P1 (i = 0 k) P2 (i=k+1 L-1) für alle k = 1..len(p i ) - 1 Durchschn. Grauwert m1 Durchschn. Grauwert m2 für alle k = 1..len(p i ) - 1 Durchschn. Grauwert (Bild) mg k max = argmax(varianz zwischen C1 und C2) für alle k = 1..len(p i ) - 1 Computergrafik 2 SS

19 Algorithmus von Otsu [ Computergrafik 2 SS

20 Algorithmus von Otsu Computergrafik 2 SS

21 Numpy: ndimage Library Computergrafik 2 SS

22 Numpy: Array-Sortierung Mit index-arrays lässt sich der Sortierschlüssel bestimmen A.shape = (<n>,3) A[A[:,2].argsort(),:] à Sortiert alle Einträge aus a nach dem 3. Eintrag Alternativ: Python itemgetter und sorted() verwenden from operator import itemgetter sorted_items = sorted(a, key=itemgetter(2), reverse = True) Computergrafik 2 SS

23 Numpy: Nützliche Funktionen Rotation f = scipy.ndimage.rotate(img, alpha, reshape=false, mode= nearest ) mode : Beschreibt, wie Randpunkte aufgefüllt werden Skalierung f = scipy.ndimage.zoom(img, scale, mode= nearest ) Text plt.text(x,y, str(label), color= red ) Computergrafik 2 SS